Mô hình AI dự đoán loại thuốc trị ung thư vú hiệu quả nhất

Một mô hình trí tuệ nhân tạo (AI) được huấn luyện trên hơn 38 triệu phép đo protein có khả năng dự đoán mức độ đáp ứng của tế bào ung thư vú bộ ba âm tính (TNBC) với các loại thuốc khác nhau. Kết quả thử nghiệm trên mẫu sinh thiết từ người bệnh cho thấy mô hình có tiềm năng hỗ trợ lựa chọn phương pháp điều trị phù hợp hơn.

TNBC là dạng ung thư vú khó điều trị do các tế bào khối u không có thụ thể của hormone estrogen và progesterone, đồng thời không có protein kiểm soát tăng trưởng thường được sử dụng làm mục tiêu của một số liệu pháp điều trị. Vì vậy, thuốc nội tiết và các liệu pháp nhắm trúng đích tương ứng không thể tác động trực tiếp lên các tế bào khối u này.

Nghiên cứu được công bố trên tạp chí Nature, cho thấy một mô hình được các nhà khoa học gọi là “tế bào ảo” có thể dự đoán phản ứng của tế bào TNBC trước nhiều loại thuốc. TNBC hiện chiếm khoảng 15 - 20% số ca ung thư vú.

MÔ HÌNH “TẾ BÀO ẢO” TẬP TRUNG VÀO PHẢN ỨNG VỚI THUỐC

Các nhà nghiên cứu đã phát triển nhiều mô hình máy tính nhằm mô phỏng hoạt động của tế bào. Tuy nhiên, phần lớn các phương pháp trước đây sử dụng dữ liệu giải trình tự đơn bào và chủ yếu phản ánh trạng thái tĩnh của tế bào.

Nhóm nghiên cứu do ông Tiannan Guo, chuyên gia về proteomics tại Đại học Westlake (Hàng Châu, Trung Quốc), dẫn đầu đã lựa chọn một hướng tiếp cận khác, sử dụng dữ liệu về protein để xây dựng mô hình AI.

Nhóm đã huấn luyện mô hình trên hơn 38 triệu phép đo protein thu thập từ 18 dòng tế bào ung thư vú, trong đó có 16 dòng TNBC. Các tế bào được xử lý với 63 loại thuốc chống ung thư đã được Cơ quan Quản lý Thực phẩm và Dược phẩm Mỹ (FDA) phê duyệt, cùng 59 tổ hợp thuốc.

Để tạo dữ liệu huấn luyện, các nhà nghiên cứu đo mức độ của 5.585 nhóm protein trong tế bào khối u trước khi điều trị và tại các thời điểm 6, 24 và 48 giờ sau khi sử dụng thuốc.

Theo Hani Goodarzi, nhà sinh học hệ thống tại Arc Institute ở Palo Alto, California, quy mô dữ liệu proteomics được sử dụng trong nghiên cứu là điểm đáng chú ý. Cách tiếp cận này cung cấp cho các mô hình tế bào ảo những dạng dữ liệu mà trước đây các nhà nghiên cứu chưa có.

Việc thu thập dữ liệu ở nhiều thời điểm cũng đặc biệt quan trọng để theo dõi những thay đổi động trong tế bào. “Nếu không có chuỗi thời gian, bạn chỉ có rất nhiều hình ảnh tĩnh”, ông Goodarzi nhận xét.

Ông Guo cho biết đây là lần đầu tiên một mô hình tế bào ảo được đưa ra khỏi phòng thí nghiệm và thử nghiệm trong bối cảnh lâm sàng. Tuy nhiên, ông nhấn mạnh mô hình được xây dựng với một mục tiêu cụ thể là hỗ trợ nghiên cứu thuốc cho TNBC, thay vì mô phỏng toàn diện mọi hoạt động của tế bào.

AI DỰ ĐOÁN PHẢN ỨNG CỦA TẾ BÀO VỚI 81 LOẠI THUỐC

Từ các phép đo protein, mô hình AI học cách dự đoán tác động của thuốc lên tế bào TNBC, đồng thời xác định những protein có liên quan đến khả năng kháng thuốc.

Khi được kiểm tra với 81 loại thuốc không nằm trong tập dữ liệu huấn luyện, mô hình đạt độ chính xác 88% trong dự đoán phản ứng của tế bào.

Các nhà nghiên cứu sau đó tiếp tục kiểm tra khả năng ứng dụng của mô hình trên mẫu sinh thiết từ người bệnh. Nhóm phân tích 3.651 protein trong các mẫu khối u được lấy từ 501 người mắc TNBC trước khi họ tiến hành hóa trị.

Kết quả cho thấy mô hình có thể dự đoán chính xác kết quả điều trị lâm sàng của những phương pháp mà người bệnh đã được sử dụng.

Điểm đáng chú ý của nghiên cứu nằm ở việc mô hình không chỉ được đánh giá trên các dòng tế bào ung thư trong phòng thí nghiệm mà còn được đối chiếu với dữ liệu từ mô khối u của người bệnh. Điều này mở ra khả năng sử dụng dữ liệu protein của từng khối u để dự đoán thuốc nào có nhiều khả năng mang lại hiệu quả hơn.

Với TNBC, đây là vấn đề đặc biệt quan trọng bởi các khối u có thể khác nhau đáng kể về đặc điểm phân tử. Cùng một chẩn đoán nhưng tế bào khối u ở những người bệnh khác nhau có thể phản ứng khác nhau trước cùng một loại thuốc.

HƯỚNG TỚI LỰA CHỌN ĐIỀU TRỊ CÁ NHÂN HÓA

Kết quả nghiên cứu cho thấy mô hình tế bào ảo có thể trở thành một công cụ hỗ trợ lựa chọn thuốc dựa trên đặc điểm phân tử của từng khối u. Thay vì chỉ dựa vào đặc điểm chung của TNBC, dữ liệu protein có thể giúp nhận diện những khác biệt liên quan đến khả năng đáp ứng hoặc kháng thuốc.

Theo nhóm nghiên cứu, việc mô hình có thể dự đoán phản ứng của tế bào đối với các loại thuốc chưa được sử dụng trong quá trình huấn luyện cho thấy tiềm năng ứng dụng trong quá trình tìm kiếm và lựa chọn thuốc.

Dù vậy, nghiên cứu hiện tập trung vào một mục tiêu tương đối hẹp. Mô hình được thiết kế để dự đoán phản ứng của tế bào TNBC với thuốc, không phải để tạo ra một bản sao hoàn chỉnh của tế bào người hay mô phỏng toàn bộ quá trình sinh học diễn ra trong cơ thể.

Ông Guo gọi đây là một mô hình AI có “mục tiêu rất tập trung” trong nghiên cứu thuốc cho TNBC.

Quy mô dữ liệu cũng là một trong những yếu tố làm nên khác biệt của phương pháp. Hơn 38 triệu phép đo protein, được thu thập tại nhiều thời điểm sau khi tế bào tiếp xúc với thuốc, giúp mô hình theo dõi những thay đổi xảy ra trong quá trình điều trị thay vì chỉ ghi nhận trạng thái ban đầu và cuối cùng.

Theo ông Goodarzi, việc kết hợp dữ liệu theo thời gian với dữ liệu proteomics có thể mở rộng những gì các mô hình tế bào ảo có thể học được về phản ứng của tế bào trước tác động của thuốc.

Các tác giả cho rằng những kết quả ban đầu trên mẫu sinh thiết của 501 người bệnh cho thấy tiềm năng của phương pháp trong việc hỗ trợ chăm sóc cá nhân hóa đối với TNBC. Tuy nhiên, để trở thành công cụ sử dụng thường quy trong điều trị, mô hình vẫn cần được đánh giá thêm trong các nghiên cứu lâm sàng và trên nhiều nhóm người bệnh hơn.

Nghiên cứu đánh dấu một bước thử nghiệm mới của mô hình tế bào ảo: từ việc mô phỏng các trạng thái tế bào trong phòng thí nghiệm sang dự đoán phản ứng điều trị dựa trên dữ liệu thu được từ chính mô khối u của người bệnh.